基于深度学习的点云配准：综合概述与分类
计算机视觉与模式识别
2025-02-04 v3
摘要
点云配准涉及确定刚性变换以将源点云与目标点云对齐。这种对齐在自动驾驶、机器人和医学成像等应用中至关重要，因为需要精确的空间对应关系。深度学习大大推进了点云配准，提供了鲁棒且高效的方法，克服了传统方法的局限性，包括对噪声、离群值和初始化的敏感性。然而，仍缺乏对这些方法的系统分类框架，使得难以系统地分类和比较各种方法。本文提出了关于基于深度学习的点云配准 (DL-PCR) 的综合概述和分类。我们首先对点云配准问题进行形式化描述，随后概述了在 DL-PCR 中常用的 datasets、评估指标和损失函数。接下来，我们将现有的 DL-PCR 方法分为监督和无监督方法，因为它们关注截然不同的关键方面。对于监督 DL-PCR 方法，我们根据关键方面进行组织，包括配准程序、优化策略、学习范式、网络增强和与传统方法的集成；对于无监督 DL-PCR 方法，我们根据是否需要显式识别点到点的对应关系，将其分类为基于对应关系和无对应关系的方法。为便于更全面和公平的比较，我们使用统一的训练设置和一致的数据分区策略对所有最新 SOTA 方法进行量化评估。最后，我们指出开放挑战并讨论未来研究的潜在方向。一套全面的集合可在 https://github.com/yxzhang15/PCR 上获得。
引用
@article{arxiv.2404.13830,
title = {Deep Learning-Based Point Cloud Registration: A Comprehensive Survey and Taxonomy},
author = {Yu-Xin Zhang and Jie Gui and Baosheng Yu and Xiaofeng Cong and Xin Gong and Wenbing Tao and Dacheng Tao},
journal= {arXiv preprint arXiv:2404.13830},
year = {2025}
}